采用遗传算法和深度学习对MIMO-OFDM可见光通信实施信道估计的方法及系统

本发明属于室内可见光通信网络中的接入系统领域，用于提升室内环境中可见光通信用户收发信号的传输性能及质量。

背景技术：

1、随着信息时代多种类接入业务的快速发展，人们对高速、高频谱利用率、高度灵活的通信系统的需求越来越大。室内可见光通信是一种极具发展潜力的无线通信技术，近年来有了很大的发展与其他无线通信相比，不仅能够满足日常照明功能，还支持室内信息传输和接收。相比于其他技术，vlc具有更高的数据速率、电磁辐射对人体伤害小、免许可证操作、保密性高、拓宽频谱等优点。而mimo与ofdm相结合是下一代无线通信系统和标准的空中接口解决方案。然而，准确的信道估计对于可见光通信系统实现高性能至关重要。传统的信道估计方法不适用于复杂和动态的可见光信道。近年来，深度学习已成为mimo-ofdm系统信道估计的一种有前途的方法；操作上更加简便，通信传输成本更低，适用性更加灵活，但在传统无线通信系统中应用较多，可见光通信系统领域应用较少。

技术实现思路

1、为了进一步克服室内可见光复杂信道失真和干扰问题，使用信道统计的数据离线训练深度学习模型，恢复在线传输的信道信息；并通过遗传算法模拟进化过程对深度神经网络模型权重参数进行优化，提升具有6层dnn模型的预测信道数据能力，准确无误的估计信道并恢复原始数据。使室内vlc通信系统传输稳定性变高，使传输速度更快，对外界干扰的抵抗能量增强，同时具有较好的保密性与安全性。将遗传算法(ga)与深度学习(dl)技术结合，既可以发挥遗传算法全局搜索能力，又可以实现深度学习模型较高的信道估计精度和泛化能力，减小可见光复杂信道对通信信号的影响，使传输更加稳定。

2、本发明为解决以上的问题，设计了采用遗传算法和深度学习对mimo-ofdm可见光通信实施信道估计的方法及系统。该系统在发送端将将turbo编码后的传输数据经qpsk映射后转换为并行数据流，利用快速傅里叶变换的逆变换将信号从频域转换为时域。然后，插入循环前缀来减轻码间干扰；在接收端经接收到的信道数据串并转换后去除循环前缀，利用快速傅里叶变换从时域转换为频域信号，对系统冲激响应进行估计。并通过qpsk技术解映射后turbo解码恢复原始数据；信道部分4个led阵列和4个接收端的是室内可见光加性高斯白噪声信道；离散训练模块：通过所设计的mimo-ofdm vlc系统不同信噪比对应的信道数据作为离散训练数据集对dnn模型进行训练，这些样本是在不同信道条件下产生具有一定的统计性质。利用dnn模型在不显式估计可见光信道的情况下恢复在线部署传输数据的输出；遗传算法：对于信道估计，遗传算法优化dnn这种估计误差最小化的估计算法，使用启发式搜索的随机优化技术优化dnn模型权重数值，提高网络模型学习能力，使预测信道估计数据更准确。

3、鉴于此，本发明采用的技术方案是：采用遗传算法和深度学习对mimo-ofdm可见光通信实施信道估计的方法，包括以下步骤：

4、离线训练：获取mimo-ofdm可见光通信系统中不同信噪比对应的信道估计的数据，将其作为深度神经网络离线训练数据集；

5、所述深度神经网络包括以下处理步骤：

6、初始化种群：根据变量范围和编码方式，初始种群集合为[w1,w2,...,wi]，wi表示神经元的权值；

7、选择操作：根据个体适应度，选择一定数量的个体作为父代，用于产生新一代个体，所述个体适应度为：n为网络输出节点数，yi为深度神经网络第i个节点的期望输出，oi为第i个节点的实际输出，a为系数，asb表示表示绝对值函数。

8、遗传操作：通过交叉、变异操作，生成新一代个体，并计算个体适应度；

9、替换操作：将新一代个体与上一代个体进行比较，选择适应度更好的个体作为下一代种群；

10、输出最优解：重复以上操作直到达到预设的停止条件，输出种群中适应度最好的个体，作为优化后的神经元的权值；

11、使用优化后深度神经网络对信道进行估计。

12、进一步，所述深度神经网络的目标函数为：f(x)＝-f(x)+fmax+ξl，fmax为第l代最大目标值；ξl为好坏个体选择概率的差。

13、进一步，采用遗传算法优化权值w的过程如下：

14、前向反馈深度神经网络的每第一层神经元输出为z＝σl(k)＝σ(wlal-1+bl)，

15、δwi(k)＝η(σl(k)-σl-1(k))

16、wi(k)＝wi(k-1)+δwi(k)+α(wi(k-1)-wi(k-2))

17、通过选择操作，以pc的概率使wi和wi+1交叉操作产生新个体，没有进行交叉操作的个体直接复制；再以pm概率进行变异操作，不断更新种群，直到种群收敛得到最优解；其中z表示第l层输出，σ()表示激活函数，w为每个神经元权值，wi为每个神经元的权值，b为偏置量，η为学习速率，α为动量因子，pc为交叉率，pm为变异率，k表示表示未激活前输出向量。

18、进一步，所述mimo-ofdm可见光通信系统的信号处理流程包括，首先将turbo编码后的传输数据经qpsk映射后转换为并行数据流，插入导频，利用快速傅里叶变换的逆变换将信号从频域转换为时域，然后，插入循环前缀后进行并串转换；经室内可见光信道传输，接收的数据串并转换后去除循环前缀，利用快速傅里叶变换从时域转换为频域信号，通过qpsk技术解映射后turbo解码恢复原始数据。

19、本发明还提供了一种采用遗传算法和深度学习对mimo-ofdm可见光通信实施信道估计的系统，包括：发送端包括依次连接的turbo编码模块、qpsk调制模块、串并转换模块、插入导频模块、ifft模块、加cp模块和并串转换模块；

20、室内可见光传输信道；设置4个led发射机和4个接收机；

21、接收端包括依次连接的串并转换模块、时频同步模块、去cp模块、fft模块、信号检测模块、并串转换模块、qpsk解调模块和turbo解码模块；在时频同步模块的输出端连接的信道估计模块；以及与信道估计模块连接的深度神经网络。信号检测模块可以检测接收到的信号；而时频同步模块的主要作用是由于led和接收端具有相同的时钟信号，在同步的前提下对数据可以进行批量传输，提高了数据传输的效率。

22、在发送端，首先将经turbo编码模块编码的传输信号经qpsk调制模块映射后由串并转换模块转换为并行数据流，经插入导频模块后利用快速傅里叶变换的逆变换将信号从频域转换为时域；由加cp模块插入循环前缀来减轻码间干扰，最后经并串转换模块变换后通光传输信道传输。在接收端，经室内可见光信道的数据串并转换后去除循环前缀，利用快速傅里叶变换从时域转换为频域信号，对系统冲激响应进行估计。并通过qpsk技术解映射后turbo解码恢复原始数据。信道部分采用4个led阵列和4个接收端的室内可见光加性高斯白噪声信道；离散训练模块：通过所设计的mimo-ofdm vlc系统不同信噪比对应的信道数据作为离散训练数据集对dnn模型进行训练。其中，涉及的样本是在不同信道条件下产生，因此具有统计性质；且利用dnn模型在不显式估计可见光信道的情况下恢复在线部署传输数据的输出。使用启发式搜索的随机全局搜索优化技术优化dnn模型权重数值，提高网络模型学习能力，使预测信道估计数据更准确。离散训练中所述深度学习选用深度神经网络这种估计误差最小化的估计算法，提升可见光系统信道估计的准确性和鲁棒性。

23、本发明中首先分析了深度学习方法对mimo-ofdm可见光通信实施信道估计的优势。深度学习方法利用大量的数据进行训练，提高了信道估计的准确性。深度学习方法可以自动地从大量的输入数据中学习到信道模型的特征，从而实现更准确的信道估计。然而，在全连接dnn中，下层神经元和所有上层神经元都能够形成连接，这导致了大量的参数需要进行优化。使得参数数量膨胀可能会导致优化算法陷入局部最优解。为了节省神经网络学习数据特征的时间，进一步优化mimo-ofdm可见光通信性能。本发明中引入遗传算法学习深度神经网络模型权值参数。遗传算法采用随机性的搜索策略，能够在整个搜索空间中进行全局搜索，可以并行地评估和更新多个神经元之间的权值参数，选择最优权重参数输入到下一层神经元，不会陷入局部最优解，从而加快优化过程的速度，省去大量网络模型学习数据特征的时间。因此，本发明采用遗传算法和深度学习对mimo-ofdm可见光通信实施信道估计的方法具有优化参数选择、提高准确性、提高传输速率和可靠性的诸多优点。